射出成形 条件最適化 AI導入｜タイ工場の実務ガイド

射出成形の条件最適化にAIを導入したい。しかし、成形機の温度・圧力・速度の履歴を集めるだけで「最適条件」が自動で見つかるわけではない。良品率、寸法、外観、サイクル、エネルギーは相互に影響し、同じ設定値でも樹脂ロット、乾燥、金型、キャビティ、機械の状態で結果が変わる。本稿はタイの成形工場で、どの製品・金型から始め、何を測り、どの範囲ならAIに条件を提案させ、どう検収するかを発注仕様まで落とし込む。研究結果を自社の削減率に置き換えず、現場で再現できる判断を重視する。

射出成形の条件最適化AIは「設定表」ではなく品質の意思決定を扱う

ここでいう条件最適化は、材料・製品・金型・成形機の組合せに対し、許容される工程範囲内で成形条件の候補を出し、実際の品質・生産結果で確かめ、承認済みの条件版へ反映する活動である。対象は射出速度、V/P切替、保圧と保圧時間、背圧、スクリュ回転数、バレル温度、金型温調、冷却時間などだ。ただし全項目を同時に動かすことはしない。最初に「何の不良を、何を犠牲にせず改善したいか」を決める。

たとえばヒケ低減を目指して保圧を上げれば、寸法や内部応力、バリ、サイクルへの影響も確認する。サイクルを短くするため冷却を減らせば、取り出し直後に見えない反りや後収縮が現れ得る。AutodeskのProcess Optimization解説は、材料・金型形状・成形機特性に基づき射出速度と保圧プロファイルを検討し、充填・保圧解析で結果を確かめる構成を説明している。解析が示すのは候補であり、現物のゲート、冷却、計測、外観基準を省略できるという意味ではない。

AIの役割は大きく三段階ある。第一は履歴から不良の寄与要因を調べる分析、第二は許容範囲内の候補を人に示す推奨、第三は承認済みの制約で機械設定を補正する閉ループ制御である。調達仕様ではこの三つを混同しない。「AI搭載」と書かれた製品でも、異常通知だけなのか、推奨値を表示するのか、成形機へ書き込むのかで、試験、権限、安全策がまったく異なる。初回PoCは推奨と人の承認で始め、機械への自動書込みは別の工程変更として扱うのが検証しやすい。

既公開の射出成形の生産管理システム導入要件は指図・機械・金型・樹脂ロット・レシピ版・数量の履歴を設計する記事である。本稿は、その履歴を利用して条件候補の品質と安全な採用手順を決める。検査と成形条件を照合するデータ構造がまだ整っていない場合は、品質検査データのAI分析で扱う照合可能率を先に測ると、モデル選定より前の欠損が見える。

最初の適用対象は「不良が多い製品」だけで選ばない

対象候補を製品×金型×成形機×材料グレードの組合せで並べる。同じ製品でも別の金型を混ぜればキャビティ配置や冷却が変わり、同じ金型でも別の機械なら応答とセンサー値の意味が変わる。樹脂ロットや再生材比率が変動する製品は改善余地が大きい反面、ラベルのないデータだけでは原因の切り分けが難しい。品質損失が大きい組合せと、計測・検査・変更管理ができる組合せの交点を選ぶ。

初回の対象選定表には、年間ショット数、外観・寸法・重量の主要不良、顧客要求、検査頻度、金型のキャビティ数、成形機の接続方法、レシピ版の管理状況、原料と乾燥の記録、検査結果の追跡単位、品質承認者を記す。ここで「不良率」の分母を統一する。ショット数、成形品個数、キャビティ別個数、検査サンプル数を混ぜると改善率が見かけ上変わる。初回品、試打ち、条件出し、量産、再稼働直後も別の状態として記録する。

難しい条件を先に全部入れる必要はない。最初のPoCに向くのは、発生が比較的多く、判定を反復でき、工程条件と時刻またはショットを結べる課題である。外観判定が人によって割れる製品や、検査が数日後にしか行われない製品は、判定基準と時間対応を整えてから始める。逆に不良が極めてまれな品目で「不良を何％減らす」と約束しても、短期PoCでは統計的に検証しにくい。その場合は欠測率、条件再現性、推奨の制約遵守、検査照合率を初期指標にする。

金型そのものの故障や摩耗が主因なら、条件変更で一時的に症状を隠す危険がある。ベント詰まり、冷却回路不良、ゲート損傷、キャビティの片減り、型締めの異常は保全・金型技術の判断に戻す。AIが推奨した高い保圧で短期的に重量が揃っても、型寿命やバリを悪化させれば最適化ではない。モデルの目的関数へ入れられない品質・設備制約は、候補を棄却する明示ルールとして残す。

成形条件データは「設定値」「実績値」「品質結果」を分けて集める

成形機画面に表示された設定温度は、樹脂が実際に受けた熱履歴を直接表さない。保圧設定値も、キャビティ内で樹脂に作用した圧力と同一ではない。最低限、承認済みレシピ、機械に入力された設定値、各サイクルの実測・演算値、金型・樹脂・乾燥・環境情報、検査結果を区別する。単位、測定位置、サンプリング周期、時刻、欠測の定義も必要だ。数値だけを一つの表に積むと、後から原因に見える変数が実は工程変更後に測られた結果だったという漏洩が起こる。

EUROMAP 77の公式説明は射出成形機とMESのデータ交換インターフェースを定義する。これは収集の基盤にはなるが、個別機械で欲しい全ての曲線・周期値が同じ粒度で取得できる保証ではない。接続仕様は号機ごとに確認する。取得できるノード、単位、更新頻度、イベント時刻、オフライン時のバッファ、読み取りと書き込みの権限を一覧にし、FATとSATで実機値と照合する。「OPC UA対応」の一語だけで調達を決めない。

データ項目は目的に従って選ぶ。成形品重量ならクッション、V/P切替位置・圧力、保圧プロファイル、材料や乾燥状態が候補になる。反りなら金型温度の分布、冷却時間、取り出し後の測定時刻、キャビティ差が欠かせない場合がある。外観の銀条なら乾燥・含水・ベントや可塑化状態を疑う。すべての不良に同じ特徴量セットを流用しない。センサーを追加する場合は、測りたい現象、設置位置、校正、交換、配線、金型への加工、取り外し時の復旧まで見積もる。

2025年のキャビティ圧力センサーと反復学習制御の研究は、金型内圧を工程フィードバックに使う可能性を示す。一方、設備メーカーのARBURGによる再生材向け制御の説明は、機械側から材料組成や金型内の状態が直接見えないことを課題として述べる。この二つは矛盾しない。何を実測できるかは金型側のセンサーと機械のオプションで決まり、測れない状態を単にAIの入力欄へ追加しても現実の値は生まれない。

ラベルはショット、キャビティ、検査時刻をつなぐ

品質検査がロット単位だけで、成形条件が一ショット単位なら、どのショットの条件がどの不良を生んだか分からない。モデルは見かけの相関を学ぶだけになる。検査品を取った時刻、号機、金型、キャビティ、必要なら包装容器を記録し、工程側のショット範囲へつなぐ。複数個取りでは一つのショットから異なるキャビティの品が出るため、平均重量だけでは局所不良が消えることがある。

人の目視検査には、良品・不良の境界写真、照明、観察距離、判定者間の合意が要る。「バリ」と「寸法外」、「ヒケ」と「ウェルド」のように症状が違えば、原因仮説と測定も違う。症状の分類、重大度、再検査結果、最終判定を分ける。初回検査で不良、後で手直しして良品になったものを単一の「良品」に上書きすると、モデルは失敗条件を良品として覚える。測定器が異なる寸法値は、測定方法と校正の履歴を残す。

未検査品を自動的に良品扱いしない。工程の監視だけを目的にしたデータと、品質ラベル付きの学習データを分ける。欠測が特定の夜勤、金型交換直後、通信断時に偏っている場合は、欠測を削除するだけで良好な昼勤ばかりのモデルになる。データ完全性を号機・シフト・製品・イベント種別ごとに見える化する。品質部門の合否確定より前の暫定情報と、後で確定した結果も区別する。

射出成形AIのモデルは単純な基準から比較する

いきなり深層学習を調達条件にしない。まず現行の管理図、良品条件表、DOEで作った工程窓、熟練者の設定判断を基準として定義する。次に回帰、決定木系、ガウス過程などを対象データ量と説明責任に合わせて比較する。モデルの種類そのものは成果ではなく、候補が品質制約を守り、変更が現場に説明でき、同じ条件で再現することが成果だ。

2025年に再生ポリプロピレンの5種類のブレンドを扱った機械学習制御研究は、品質特性と工程入力の予測で手法ごとの精度差を示し、全応答で一貫して最良の単一手法はなかったと結論づける。2026年の実成形機データを用いた推奨研究は、品質、サイクル、エネルギーを制約付きで扱い、実機の条件とルールで候補を絞っている。これらは研究した材料、金型、号機、評価法の中での結果であり、タイの自社工場へそのまま精度や改善率を移せない。発注側は「当社の成形機・製品・金型におけるベースラインとの差」を検収条件に書く。

学習と検証はランダムな行分割だけに頼らない。連続するショットはほぼ同じ設定と環境を共有するため、隣接サイクルを学習用と評価用へ混ぜると、実運用での未知条件より容易な試験になる。期間を分け、材料ロットや金型保全後の期間を分け、可能なら別の号機・金型で外部検証する。適用範囲を広げるほど成績が下がることを許容し、範囲内の性能と範囲外での棄却を両方評価する。

不良が少ない場合は単純な正解率に意味がない。候補条件を採用した時の不良流出を最優先し、重大不良の見逃し、良品を不要に止める割合、寸法の分布、キャビティ別の下限、検査コストを別々に出す。工程窓の中心から外れる推奨を出した理由も残す。モデルの予測区間や信頼度を提示する場合、その校正が保たれているかを実データで確認する。推奨対象外と判断する機能は、過剰な自信を持つ予測より実務で価値がある。

サンプル数より先に、評価を成立させる分割方法を決める

「何ショットあれば十分か」という質問に、全工場共通の数字は答えられない。まず、どの単位で採否を判定するかを決める。重量のばらつきを見るなら一ショットごとの測定が必要かもしれない。一方、寸法を抜き取り検査する場合は、検査した品が出たキャビティとショット範囲が分からなければ、収集ショットを何万件に増やしても正しいラベルは増えない。発注側は、目的変数、許容する測定誤差、製品・金型・材料の組合せ数、重大不良の頻度を先に一覧にする。その上で品質部門と、試験期間に必要な観測数と中止条件を決める。

評価計画には、時間の順に「学習期間」「調整期間」「最終確認期間」を分けて記す。最終確認期間の品質結果を見てから特徴量や閾値を変えたなら、それは最終確認ではなく再調整である。モデルや閾値を直した後は、新しい期間または別の材料ロットで再確認する。工程変更、金型修理、センサー交換が期間の途中に起きた場合は、その前後を一つの同質な標本として混ぜず、変更の前後で成績を報告する。これにより、通常運転の安定性と、変化後にも使えるかを別々に判断できる。

不良が少ない品目では「不良ゼロの試験が終わったから有効」とは言えない。試験期間にそもそも対象不良が出ていなければ、見逃し率も改善率も確かめられない。代わりに、推奨条件の物理的な許容、品質測定の再現性、適用外の棄却、通信断時の停止、レシピの復帰を検収する。過去に確定した不良品データを再生して警報動作を試すことはできるが、その結果を現物試験での不良削減率と呼ばない。顧客へ示す効果は、同じ検査基準と同じ分母を使った量産比較で初めて計算する。

PoCの議事録には、試験したショット数だけでなく、製品、金型、キャビティ、材料ロット、号機、シフト、欠測件数、除外理由、検査数量を残す。合格になった条件だけを抜き出した集計では、実際に現場へ展開した時の歩留まりを見積もれない。試験で不合格になった候補や、センサー異常で評価できなかった期間も保管する。次の金型へ横展開するときに、どの前提が変わったかを比較するためである。

目的関数を一つの「AIスコア」に隠さない

品質、サイクル、エネルギー、材料使用量、金型負荷は同じ方向に動かない。品質保証が譲れない寸法・外観・強度を制約として固定し、その内側でサイクルやエネルギーを比較する。たとえば「寸法が規格内なら最短サイクル」としても、測定値が規格限界に張り付く条件を採るべきかは、工程能力と測定不確かさを見て品質部門が判断する。製品によっては重量の安定が主目的であり、別製品では反りが支配的になる。

条件候補ごとに、変更する変数、現在値、推奨値、許容上下限、想定する品質への影響、根拠になったデータ期間、適用する材料・金型・機械、想定外条件、承認者を表示する。重大条件を動かす推奨は、工程変更申請と初品検査につなぐ。数値だけを現場端末へ送り、変更理由と適用対象を残さない設計では、不具合時に追跡できない。

同じ「AI最適化」という表現でも、ENGELのiQ weight control事例は粘度変動に応じた切替点と保圧の補正を説明している。特定の機械・製品・検証条件に対する機能として読むべきであり、一般的な分析モデルが全号機で同じ書込み制御をできるという意味ではない。メーカー純正の制御機能と、独立した分析・推奨システムを比較する場合は、機械の保証範囲、変更ログ、PLC・制御器との責任分界を確認する。

DOEとAIを組み合わせ、現物試験を減らしすぎない

既存データだけでは、実際に試していない条件の品質は分からない。DOE（実験計画法）で安全な工程窓内の代表点を選び、主要因と交互作用を確認する。AIはその結果から候補を効率よく絞れるが、未試験の温度と圧力の組合せへ無制限に外挿しない。実験の順序は材料ロット、機械の温度安定、金型の熱平衡を考慮する。試験片や成形品の測定は、成形直後か規定の養生後かを統一する。

現物試験の計画は、品質責任者が定めた下限・上限、材料メーカーの仕様、成形機と金型の許容範囲、顧客承認条件から始める。危険な条件や顧客承認が必要な条件を「モデルが有望と予測したから」で試さない。試験中の品は量産品と識別し、隔離・廃棄・再評価のルールを決める。材料が変わった日、金型修理直後、停止後再起動など、通常運転と違う状態を実験の注記として残す。

初期条件探索で解析ソフトを使うなら、シミュレーション上の材料物性・金型冷却・ゲートと実機の差を比較する。Autodeskの上記資料も解析結果をFill/Fill+Packの別の計算で確かめる流れを示す。現場ではその先に、実際の圧力曲線、製品重量、寸法、外観、サイクルの確認が要る。シミュレーションから直接レシピを量産機へ転送して終わりではない。

推奨値から量産条件へ移す承認フロー

PoCでは、モデル出力を一度「候補」へ留める。工程技術者が装置・金型・材料の適用範囲を見て、品質担当が検査計画を承認し、生産担当が試験時間を確保する。試験品と量産品を分けて測り、合否を記録する。合格した候補だけをレシピ変更票へ入れ、版番号、開始時刻、適用する号機・金型・材料、戻し条件を確定する。

閉ループ制御へ進む場合は、成形機メーカーが許容する書込み項目と範囲、通信断、異常値、センサー故障、権限喪失、モデル停止時の復帰を別途設計する。機械の保護、非常停止、安全インターロックをAIが置き換えることはない。変更後に品質が悪化したら、直前に承認された条件へ戻すだけでなく、影響を受けたショット範囲と製品ロットを特定し、保留・再検査できるようにする。戻し操作そのものも監査ログに残す。

「自動で一サイクルごとに補正」するメーカー機能を導入するときも、既に検証された適用条件と自社製品の検証は分ける。医療・自動車等の顧客承認や変更管理が必要な製品では、製品規格と契約上の工程変更手順に従う。制御の頻度、可変範囲、変更理由、承認の単位は、品質保証と設備部門が具体的に決める。最初から自動書込みを前提にすると、分析段階で見つかったデータ欠損やラベル誤りを量産条件へ持ち込む。

RFPにはデータ、モデル、現場運用、責任分界を一緒に書く

見積依頼書には対象の製品、金型、号機、樹脂、品質課題、現行条件と検査基準を記す。ベンダーに「成形機の接続台数」だけを競わせない。接続可否、取得曲線の粒度、手作業の記録、ラベルの照合、分析と推奨の範囲、書込みの有無、受入試験で提出する証跡、保守体制まで同じ条件で回答させる。タイの工場なら、現場のタイ語表示と、日本語・英語での品質・工程レビューの必要性も定義する。

RFPのデモでは都合のよい単一データセットだけを見せてもらわない。正常時、金型交換後、樹脂ロット切替、乾燥条件逸脱、通信断、検査遅延、キャビティ停止、条件変更直後を含める。推奨が出ないときに、単に画面が空になるのか「データ不足」「適用範囲外」「センサー異常」と表示されるのかも確認する。現場の工程技術者が根拠を読めなければ、運用はベンダー依存になる。

FAT・SATで検収するのは予測精度だけではない

FATでは、サンプルデータと実機に近い記録を使い、接続、データ項目、版管理、権限、推奨制約、ログ、バックアップを確認する。SATでは現地の対象号機で、設定値と実績値、品質結果が同じショットまたは定義済みの範囲へ結べるかを確認する。機械が停止・再起動した時の重複や時刻ずれ、ネットワーク切断後の再送、センサー交換後の校正も試す。

モデルの受入条件は事前に固定する。測定対象、合否の単位、試験期間、対象の樹脂ロット数、欠測の扱い、工程変更の有無、判定者、比較する現行手順を決める。数値の合格基準は工場の実測と顧客要求で決める。研究論文に載った正解率やサイクル短縮率をそのまま契約値にしない。大切なのは品質の下限を守りながら、狙った指標で現行より改善したか、改善しない場合も原因を追跡できるかである。

受入テストには、適用外の入力に対して推奨を停止するケースを必ず入れる。金型番号が違う、材料グレードが違う、圧力センサーが故障した、乾燥履歴が欠ける、キャビティを閉じた、検査値が遅れて届く、といった現場にある条件である。試験を通じて「AIが黙って不確かな設定を出さない」ことを証明する。モデル更新後も同じ代表ケースを再試験する契約にする。

費用とROIは工場の測定値で感度分析する

費用はソフトウェア費だけではない。成形機の接続オプション、ゲートウェイ、金型内センサーと加工、温調・乾燥機のデータ、検査端末、時刻同期、保存容量、試験材料、品質測定、作業者教育、モデル更新、保守、顧客承認の工数を分ける。既に使っている機械機能で目的を満たせる場合は、追加の汎用AI基盤と比較する。逆に機械メーカーの画面だけでは、異機種横断の検査照合や承認ワークフローが足りない場合もある。両方を同一のスコープで比較する。

次の数値は計算方法を示す架空の仮定であり、実績・相場・導入保証ではない。ある一つの製品群で月間100,000個を生産し、不良率が現状3.0%、検証後に2.4%なら、差は600個／月である。廃棄による追加の回避可能費用を一個40 THBと仮定すれば、600×40＝24,000 THB／月となる。ここで40 THBには、既に原価計算に含めた材料や機械時間を二重計上しない。再検査・手直しで回収できる分、顧客に出せない重大不良、キャビティ別の偏りも別に計算する。

さらに初期費用1,200,000 THB、追加運用費18,000 THB／月を仮定すると、この品質便益だけの月次純便益は6,000 THBであり、単純回収期間は200か月になる。これは導入を勧める数字ではない。むしろ「不良を少し減らす」だけでは投資が合わない可能性を可視化する例である。段取り時間、試験ショット、保圧や冷却変更によるサイクル、工程技術者の条件出し工数にも実測に基づく便益があるなら別行で加える。ただしキャパシティ増を売上増と同一視しない。需要、ボトルネック、シフト、人員の条件を確認する。

感度分析では、不良率の改善幅、回避費用、稼働月数、センサーの保全費、モデル更新工数を上下に動かす。改善が一部の金型だけなら全工場の数量へ掛けない。試験期間中の良好な樹脂ロットだけで得た結果を年間平均にしない。工程窓を狭くして欠品や稼働率を悪化させた場合も差し引く。費用対効果はモデルの見栄えではなく、検証可能な現場の結果から決める。

導入を四段階に分け、横展開の条件を固定する

第1段階：現状を揃える。 製品×金型×号機×材料の候補を選び、品質の分母と判定基準、承認済みレシピ、検査の照合単位を定義する。既存データの欠損と時刻ずれを測る。対象外の不良、金型保全で直すべき問題、顧客承認が必要な変更を明記する。この段階で「条件をいじる前にベントを直す」という判断になっても、調査は無駄ではない。

第2段階：基準工程を測る。 現行の条件で複数の材料ロット、シフト、金型の状態を記録する。良品率だけでなく、重量・寸法の分布、サイクル、試打ち数、検査時間、アラームと保留を同じ定義で記録する。機械の設定値と実績値を照合し、金型側の測定が必要か決める。生産量が少なければ評価期間を延ばすか、初期の成功基準を品質改善ではなくデータ品質に置く。

第3段階：安全な条件探索をする。 工程技術と品質部門が認めた範囲内でDOEとモデルを比較し、候補を現物で試す。複数の良い解がある場合は、品質余裕、サイクル、エネルギー、現場の扱いやすさを並べて判断する。候補が外れた時は「AIが失敗した」とだけ書かず、外乱、測定誤差、ラベル、モデルの適用外を切り分ける。試験品の隔離とレシピの戻しを先に用意する。

第4段階：変更を管理して横展開する。 合格した候補を承認済みレシピへ登録し、作業者へ変更理由と監視項目を伝える。別金型、別号機、別材料へ広げる時は自動で適用しない。各組合せで接続、品質、条件制約、戻し試験を確認する。モデルの更新期限や再学習のトリガーを、金型修理、材料変更、品質基準変更と結びつける。運用責任者が退職しても続けられるよう、データ辞書、試験記録、教育資料を残す。

FAQ：射出成形の条件最適化AI導入でよくある疑問

射出成形機にAI機能があれば、外部システムは不要ですか？

目的による。メーカー純正機能が対象品の粘度変動を補正できるなら、その機能を優先検証する価値がある。一方、異なるメーカーの号機を横断した品質結果との照合、顧客ごとの工程承認、レシピ版とロット追跡が必要なら別の層が要る場合がある。対象機で何を取得・変更できるかを実証し、機能名だけで判断しない。

データが何ショットあればAIを始められますか？

固定の必要ショット数はない。不良の頻度、目的変数、材料・金型・号機の組合せ、変数の数、測定の安定性による。少数でも工程窓の整理とDOEは始められるが、未知条件へ一般化できるとは言えない。ベンダーには、対象条件ごとのデータ量と、期間・材料ロットを分けた評価結果を提示させる。

AIが推奨した保圧や冷却時間を自動で変更してよいですか？

承認済みの可変範囲、機械の書込み仕様、品質影響、異常時の復帰、顧客の変更管理を確認した後に限る。初回は人が候補を承認し、試験品の結果を見てレシピを改版する形が検証しやすい。安全機能や製品検査の代わりにはしない。

AI導入費用と効果はどう比較しますか？

対象製品と号機を固定し、センサー、接続、検査、教育、保守を含む総費用を見積もる。便益は不良削減、試打ち削減、条件出し工数、実際に使える能力増を重複なく計算する。研究や他社の削減率を自社の予算値にせず、現行基準との比較試験で更新する。

まとめ：品質制約を守る候補だけを現場で確かめる

射出成形の条件最適化AIは、成形条件を多く集めた順に成功する取り組みではない。対象の製品・金型・号機・材料を絞り、設定値、実績値、キャビティ別品質をつなぎ、現行工程と比較できる状態を作る。AIには工程窓内の候補を示させ、工程技術と品質が現物試験で判断し、承認した条件だけを版管理して量産へ移す。FAT・SATでは精度に加え、データ欠損、適用外、通信断、戻しと追跡を試す。これが、モデルの数字を現場の安定品質へ変えるための導入順序である。

タイ工場で対象製品の絞り込みや、成形機・検査データの照合、条件最適化AIのRFP作成を検討している段階でも、TOMAS TECHへご相談ください。現在の工程記録と品質課題を一緒に整理し、最初の実証範囲を具体化できます。